CN113205144B - 一种模型训练的方法及装置 - Google Patents
一种模型训练的方法及装置 Download PDFInfo
- Publication number
- CN113205144B CN113205144B CN202110519499.7A CN202110519499A CN113205144B CN 113205144 B CN113205144 B CN 113205144B CN 202110519499 A CN202110519499 A CN 202110519499A CN 113205144 B CN113205144 B CN 113205144B
- Authority
- CN
- China
- Prior art keywords
- interest point
- image
- information
- point
- interest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种模型训练的方法及装置,可通过图像传感器采集包含目标的图像,确定图像传感器的位姿,并获取位于目标上的各兴趣点的实际位置,根据图像传感器的位姿以及各兴趣点的实际位置,确定各兴趣点在图像中对应的像素点的信息,作为标注信息,将图像输入识别模型,得到识别模型确定的输出结果,根据各兴趣点的标注信息,在输出结果中,选择指定像素点作为各兴趣点在图像中对应的像素点重新作为标注信息,根据图像以及各兴趣点的标注信息,对识别模型进行训练。本说明书可使得识别模型识别出位于目标上的兴趣点的信息,而减少识别除目标之外的其他物体上的兴趣点的信息,从而提高多传感器标定场景的标定效果。
Description
技术领域
本说明书涉及计算机处理技术领域,尤其涉及一种模型训练的方法及装置。
背景技术
目前,在多传感器标定领域中,可采用基于特征点检测算法的方式或者采用基于特征点识别模型的方式,确定出图像中包含的目标的特征点的信息,从而根据包含同一目标的图像以及包含同一目标的其他传感数据,基于目标的特征点的信息,对图像传感器与其他传感器进行标定。
在对安装在无人驾驶设备上的包含图像传感器在内的多个传感器进行标定时,由于图像传感器采集的图像中,包含了诸如车道线等地面标识符以及诸如树木等其他物体,为了得到更好的多传感器标定效果,通常可选择地面标识符作为目标,即,选择基于地面标识符的特征点进行多传感器标定,而尽量不选择其他物体的特征点,因此,在确定图像中包含的特征点的信息时,需要确定地面标识符的特征点,而放弃其他物体的特征点。
实际上,无论采用基于特征点检测算法的方式,还是采用基于特征点识别模型的方式,得到的特征点的信息中,大多数均为其他物体的特征点,地面标识符的特征点的数量较少,导致在多传感器标定场景中,标定效果较差。
发明内容
本说明书实施例提供一种模型训练的方法及装置,以部分地解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种模型训练的方法,所述方法包括:
通过图像传感器采集包含目标的图像;
确定所述图像传感器的位姿,并获取位于所述目标上的各兴趣点的实际位置;
针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息;
将所述图像输入识别模型,得到所述识别模型确定的输出结果,所述输出结果包括位于所述目标上的各兴趣点在所述图像中对应的像素点;
针对各兴趣点,根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,并将所述指定像素点的信息重新作为该兴趣点的标注信息;
根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练。
可选地,针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息,具体包括:
根据所述图像传感器的位姿,确定兴趣点投影参数;
针对各兴趣点,根据所述兴趣点投影参数,将该兴趣点的实际位置进行坐标变换,得到该兴趣点投影到所述图像中的映射位置,作为该兴趣点的标注信息。
可选地,将所述图像输入识别模型,具体包括:
将所述图像输入所述识别模型,通过所述识别模型,确定所述图像中每个像素点为兴趣点的置信度;
根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,具体包括:
在所述输出结果中,确定位于该兴趣点的标注信息的邻域内的各像素点;
在确定的各像素点中,根据各像素点为兴趣点的置信度,确定所述指定像素点。
可选地,根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练,具体包括:
针对每个训练过程,获取上一训练过程得到的所述识别模型确定的位于所述目标上的各兴趣点在所述图像中对应的像素点的信息,并将获取的信息重新作为各兴趣点的标注信息;
将所述图像输入所述识别模型,得到当前训练过程中所述识别模型确定的输出结果,并根据当前训练过程中所述识别模型确定的输出结果以及各兴趣点的标注信息,确定所述识别模型的损失;
以所述识别模型的损失最小化为优化目标,调整所述识别模型的参数。
可选地,根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练,具体包括:
针对每个训练过程中的各兴趣点,获取历史上每个训练过程中根据该兴趣点的标注信息以及所述识别模型输出的该兴趣点在所述图像中对应的像素点的信息,确定出的该兴趣点对应的所述识别模型的损失;
在该兴趣点对应的所述识别模型的损失小于预设的损失阈值的历史训练过程中,选择指定历史训练过程,并将所述指定历史训练过程中所述识别模型输出的该兴趣点在所述图像中对应的像素点的信息重新作为当前训练过程中的该兴趣点的标注信息;
根据所述图像以及当前训练过程中各兴趣点的标注信息,对所述识别模型进行训练。
可选地,无人驾驶设备上安装有所述图像传感器;
确定所述图像传感器的位姿,具体包括:
确定所述无人驾驶设备的位姿;
根据所述无人驾驶设备的位姿以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述图像传感器的位姿。
可选地,所述无人驾驶设备上安装有激光雷达与惯性测量单元IMU中的至少一种;
根据所述无人驾驶设备的位姿以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述图像传感器的位姿,具体包括:
根据所述激光雷达与所述IMU中的至少一种在所述无人驾驶设备上的安装位置以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述激光雷达与所述IMU中的至少一种与所述图像传感器的相对位置;
根据所述相对位置,对所述无人驾驶设备的位姿进行补偿,得到所述图像传感器的位姿。
本说明书提供一种模型训练的装置,所述装置包括:
采集模块,用于通过图像传感器采集包含目标的图像;
第一确定模块,用于确定所述图像传感器的位姿,并获取位于所述目标上的各兴趣点的实际位置;
第二确定模块,用于针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息;
输入模块,用于将所述图像输入识别模型,得到所述识别模型确定的输出结果,所述输出结果包括位于所述目标上的各兴趣点在所述图像中对应的像素点;
选择模块,用于针对各兴趣点,根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,并将所述指定像素点的信息重新作为该兴趣点的标注信息;
训练模块,用于根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练的方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书可通过图像传感器采集包含目标的图像,确定图像传感器的位姿,并获取位于目标上的各兴趣点的实际位置,针对各兴趣点,根据图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在图像中对应的像素点的信息,作为该兴趣点的标注信息,将图像输入识别模型,得到识别模型确定的输出结果,输出结果包括位于目标上的各兴趣点在图像中对应的像素点,针对各兴趣点,根据该兴趣点的标注信息,在输出结果中,选择指定像素点作为该兴趣点在图像中对应的像素点,并将指定像素点的信息重新作为该兴趣点的标注信息,根据图像以及各兴趣点的标注信息,对识别模型进行训练。通过上述方法,可使得识别模型识别出位于目标上的兴趣点的信息,而减少识别除目标之外的其他物体上的兴趣点的信息,从而提高多传感器标定场景的标定效果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的一种模型训练的方法流程图;
图2A~2B为本说明书实施例提供的一种将兴趣点投影到图像中得到兴趣点的标注信息的示意图;
图3A~3B为本说明书实施例提供的一种基于兴趣点的映射位置重新确定兴趣点的标注信息的示意图;
图4为本说明书实施例提供的一种模型训练的装置的结构示意图;
图5为本说明书实施例提供的用于实现上述模型训练的方法的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
现有的技术方案中,在对图像进行处理得到图像中各特征点(又可称为角点、关键点)的信息时,通常可采用两种方式进行检测,第一种方式是采用特征点检测算法,由于这种方式采用的原理是提取像素点邻域内的各方向上灰度变化值高的点,因此,可直接在任意图像上进行特征点检测。第二种方式是采用预先训练完成的特征点识别模型,将图像输入特征点识别模型中,通过特征点识别模型提取图像的特征,并基于图像的特征,得到特征点识别模型输出的各特征点的信息。
检测到图像中包含的各特征点信息之后,可将标注有特征点信息的图像应用于包含图像传感器在内的多传感器标定场景。具体的,以标定图像传感器与激光雷达为例,可分别通过图像传感器采集包含同一目标的图像以及通过激光雷达采集包含同一目标的点云数据,将点云数据投影到图像中,根据表示目标的特征点的像素点的信息与表示目标的特征点的点云点在图像中投影得到的对应的像素点的信息,对图像传感器与激光雷达之间的外参进行标定。
因此,在多传感器标定场景中,目标的选取直接影响到标定效果,以无人驾驶领域为例,对多传感器标定时,由于传感器安装在无人驾驶设备上,传感器采集到的传感数据中可包含车道线等地面标识符以及树木等其他物体的信息,为达到更好的标定效果,可选择目标为地面标识符,而舍弃树木等其他物体,从而基于目标为地面标识符的特征点的信息,对各传感器之间的外参进行标定。
而无论是上述哪种方式,对图像进行处理后得到的均为整个图像中包含的各特征点的信息,无法筛选出位于目标上的特征点的信息。
因此,本说明书提供一种模型训练的方法,以部分地解决上述内容存在的问题。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种模型训练的方法流程图,具体可包括以下步骤:
S100:通过图像传感器采集包含目标的图像。
由于本说明书提供的一种模型训练的方法,主要用于训练识别模型,以基于训练完成的识别模型,识别出图像中位于目标上的兴趣点的信息,而尽量减少识别出位于除目标之外的其他物体上的兴趣点的信息。因此,在本说明书中,首先需要通过图像传感器采集包含目标的图像。
其中,本说明书对图像传感器的种类不做限制。由于基于本说明书提供的模型训练的方法训练完成的识别模型,可得到包含位于目标上的兴趣点的信息的图像,而包含位于目标上的兴趣点的信息的图像可应用于多种场景,例如,多传感器标定场景,尤其是无人驾驶领域中的多传感器标定场景,当然,本说明书同样支持将包含位于目标上的兴趣点的信息的图像应用于其他场景的情况,因此,在不同的应用场景中,所需要识别出的图像中的兴趣点所在的目标不同,各应用场景中,对图像中所需要采集的目标可依据实际情况确定。
以无人驾驶领域中的多传感器标定场景为例,图像传感器可安装在无人驾驶设备上,通常,图像传感器可采集包含车道线等地面标识符以及诸如树木等其他物体的图像,而由于地面标识符的几何特征等因素,位于地面标识符上的兴趣点可较好地用于多传感器之间的外参的标定,而诸如树木等其他物体,由于其兴趣点分布的无序性、多样性等,不能较好地用于多传感器之间的外参的标定,因此,可将地面标识符作为用于无人驾驶领域的多传感器标定场景中的图像传感器所需要采集的目标。其中,地面标识符,即,用于表示地面标识的符号,包括车道线、人行横道线等。当然,除地面标识符之外,由于交通信号灯、路灯杆等物体的几何特征等因素,使得将交通信号灯、路灯杆等物体作为目标的多传感器标定效果较好,因此,本说明书同样可将交通信号灯、路灯杆等物体作为目标,即,在本说明书中,可基于实际情况,将可得到较好的多传感器标定效果的物体作为目标。
S102:确定所述图像传感器的位姿,并获取位于所述目标上的各兴趣点的实际位置。
S104:针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息。
在本说明书中,兴趣点可指目标的特征点、关键点、角点等能够在其他含有相同目标的相似图像中以一种相同的或至少非常相似的不变形式表示目标的点。此外,本说明书中同样可支持兴趣点为位于目标上的其他的点的情况,例如,兴趣点可以为目标的最小外接矩形的中心点等。
在获取位于目标上的各兴趣点的实际位置时,可获取具备确定位于目标上的各兴趣点的实际位置的能力的其他设备的信息,从而通过其他设备确定位于目标上的各兴趣点的实际位置。其他设备可包括全球定位系统(Global Positioning System,GPS)设备等。兴趣点的实际位置,即兴趣点在坐标系中的坐标信息,坐标系一般可选择地球坐标系或者全局坐标系。
此外,由于可预先将各兴趣点的信息存储在无人驾驶设备或者服务器或者其他具备存储各兴趣点的信息的能力的设备中,因此,本说明书还可从无人驾驶设备本地或者服务器中或者其他设备中,获取位于目标上的各兴趣点的实际位置。
由于本说明书提供的模型训练的方法,其主要思想在于,确定位于目标上的各兴趣点在图像中的标注信息,将图像输入识别模型后,得到识别模型确定的输出结果,根据各兴趣点的标注信息以及输出结果,对识别模型进行训练。因此,首先需要确定位于目标上的各兴趣点在图像中的标注信息。其中,在模型训练的首轮迭代训练过程中,各兴趣点的标注信息可基于各兴趣点的实际位置以及图像传感器的位姿确定,在第二轮及以后的迭代训练过程中,可基于首轮迭代训练过程中的各兴趣点的标注信息或者上一轮迭代训练过程中得到的位于目标上的兴趣点在图像中对应的像素点的信息作为标注信息。
因此,下面来说明在模型训练的首轮迭代训练过程中,基于各兴趣点的实际位置以及图像传感器的位姿确定各兴趣点的标注信息的过程。
首先,根据图像传感器的位姿,可确定兴趣点投影参数。
具体的,在本说明书中,图像传感器的位姿不发生变化的情况下,可从服务器中或者其他存储有图像传感器的位姿的设备中获取,而图像传感器的位姿发生变化的情况下,例如,图像传感器安装在运行中的车辆上,需要首先确定图像传感器的位姿。
沿用上例,图像传感器安装在无人驾驶设备上时,可首先确定无人驾驶设备的位姿,然后根据无人驾驶设备的位姿以及图像传感器在无人驾驶设备上的安装位置,确定图像传感器的位姿。其中,无人驾驶设备,即无人设备,在运行时无需人工参与驾驶,主要包括无人驾驶车辆、无人机等智能无人驾驶设备,可用于载人或者载物,当用于载物时,主要用于代替人工配送物品(例如在大型货物仓储中心运输分拣后的货物),或将货物从某一地点运输到另一地点。
由于无人驾驶设备的位姿可通过激光雷达、惯性测量单元(Inertialmeasurement unit,IMU)等确定,因此,无人驾驶设备上可安装有激光雷达、IMU等中的至少一种,通过激光雷达、IMU等中的至少一种,采集无人驾驶设备的位姿信息,根据图像传感器在无人驾驶设备上的安装位置,对无人驾驶设备的位姿进行补偿,得到图像传感器的位姿。实际上,通过激光雷达、IMU等中的至少一种,同样可确定传感器本身的位姿,以IMU为例,采集到的位姿可转换为IMU自身的位姿,因此,也可根据激光雷达与IMU中的至少一种在无人驾驶设备上的安装位置以及图像传感器在无人驾驶设备上的安装位置,确定激光雷达与IMU中的至少一种与图像传感器的第一相对位置,根据第一相对位置,对激光雷达与IMU中的至少一种的位姿进行补偿,得到图像传感器的位姿,或者,根据第一相对位置以及激光雷达与IMU中的至少一种在无人驾驶设备上的安装位置,对无人驾驶设备的位姿进行补偿,得到图像传感器的位姿。
在确定图像传感器的位姿之后,可根据兴趣点的实际位置,确定图像传感器与兴趣点的第二相对位置,根据图像传感器的位姿以及第二相对位置,确定兴趣点投影参数。
然后,针对各兴趣点,根据兴趣点投影参数,将该兴趣点的实际位置进行坐标变换,得到该兴趣点投影到图像中的映射位置,作为该兴趣点的标注信息。
具体的,针对各兴趣点,根据兴趣点投影参数,可将该兴趣点的实际位置进行坐标变换,经过坐标变换后,得到该兴趣点在图像中的映射位置,即,将该兴趣点投影到图像中,将该兴趣点投影到图像中的映射位置的信息作为该兴趣点的标注信息。
图2A~2B为本说明书实施例提供的一种将兴趣点投影到图像中得到兴趣点的标注信息的示意图。如图2A所示,图像传感器安装在车辆A上,车辆A运行在包含有路口的道路上,路口处设置有人行横道线,图像传感器可采集车辆A前方的图像,由于可将人行横道线作为目标,因此,图2示意性地选择人行横道线上其中一个特征点作为兴趣点,并将该特征点的实际位置以黑色圆点表示。根据图像传感器在车辆A上的安装位置以及车辆A的位姿可得到图像传感器的位姿,基于图像传感器的位姿可将该特征点的实际位置映射到在图像传感器采集的图像中得到该特征点的映射位置,如图2B所示,同样以黑色圆点表示。由于图像传感器的位姿并不准确,因此,映射位置可能并不是图像中表示该特征点的实际像素点的位置。
另外,本说明书同样也支持采用其他方式确定兴趣点的标注信息的情况,例如,采用人工标注的方式,即,由人工标注出位于目标上的各兴趣点的信息并作为各兴趣点的标注信息。
S106:将所述图像输入识别模型,得到所述识别模型确定的输出结果,所述输出结果包括位于所述目标上的各兴趣点在所述图像中对应的像素点。
S108:针对各兴趣点,根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,并将所述指定像素点的信息重新作为该兴趣点的标注信息。
本说明书中,识别模型可以为现有的技术方案中比较成熟的特征点识别模型,也可以自行设计模型结构,无论采用哪种模型,其模型的基本思想为,将图像输出识别模型,由识别模型提取图像中的特征,基于图像中的特征,通过识别模型可确定每个像素点为兴趣点的置信度,从而根据各像素点的置信度,得到图像中各兴趣点的信息。即,模型的输入信息为图像,输出信息可以包括图像中各像素点为兴趣点的置信度以及图像中表示兴趣点的像素点的信息中的至少一种。
在将图像输入识别模型并得到识别模型确定的输出结果之后,针对各兴趣点,可根据兴趣点的标注信息,在输出结果中,确定位于该兴趣点的标注信息的邻域内的各像素点,在确定的各像素点中,根据各像素点为兴趣点的置信度,确定指定像素点,并将指定像素点作为该像素点在图像中对应的像素点,将指定像素点的信息重新作为该兴趣点的标注信息。
具体的,针对各兴趣点,由于图像传感器的位姿并不十分精确,因此根据图像传感器的位姿以及该兴趣点的实际位置,将该兴趣点投影到图像中得到的该兴趣点的标注信息也并不精确,因此,可在该兴趣点的标注信息(即,该兴趣点在图像投影得到的映射位置)的邻域内,选择识别模型确定的表示兴趣点的像素点。这是由于该兴趣点的标注信息虽然不精确,但是可在该兴趣点的标注信息的邻域范围内找到表示该兴趣点的实际像素点的信息,而识别模型可识别出图像中的各兴趣点的信息,因此,在该兴趣点的标注信息的邻域范围内,选择识别模型确定的表示兴趣点的像素点作为指定像素点,即可认为指定像素点为兴趣点在图像中的准确的映射位置。而关于在识别模型的输出结果中选择指定像素点的方式,可基于识别模型确定的各像素点为兴趣点的置信度进行选择,例如,可选择置信度最大的像素点作为指定像素点,又如,可设置置信度阈值,在置信度大于置信度阈值的各像素点中随机选择像素点作为指定像素点等。
然后,将指定像素点的信息重新作为该兴趣点的标注信息,这是由于相对于将该兴趣点投影到图像中的映射位置的信息作为标注信息,指定像素点的信息作为该兴趣点的标注信息更加准确。
参考图2A~2B中的内容,图3A~3B为本说明书实施例提供的一种基于兴趣点的映射位置重新确定兴趣点的标注信息的示意图。在图3A中,将图像输入识别模型后,识别模型确定的表示兴趣点的像素点可用黑色方块表示,在兴趣点的标注信息的邻域内(即,在映射位置的邻域内)有识别模型确定出的三个表示兴趣点的像素点,可在这三个像素点中,根据各像素点为兴趣点的置信度,选择出如图3B所示的指定像素点,由于识别模型用于识别图像中表示兴趣点的像素点,而兴趣点的映射位置则是基于图像传感器的位姿进行投影得到的,因此,可将指定像素点的信息重新作为兴趣点的标注信息,从而基于图像以及指定像素点的信息对识别模型进行训练。
S110:根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练。
上述内容实际上是对识别模型进行首轮迭代训练的描述,即,在对识别模型进行训练时,针对第一个训练过程,可将兴趣点在图像中的映射位置作为标注信息,将图像输入识别模型中,得到识别模型的输出结果,根据兴趣点的标注信息,在输出结果中,选择指定像素点,并将指定像素点的信息重新作为兴趣点的标注信息。然后,在第二个训练过程及以后的训练过程中,基于图像各兴趣点的标注信息,对识别模型进行训练。
下面来具体说明对识别模型进行训练的过程。
由于本说明书中,对识别模型进行训练采用的是有监督训练的方式,因此,针对每个训练过程,在该训练过程中,首先需要确定兴趣点的标注信息。
如上述内容所述,在第一个训练过程中,以兴趣点投影到图像中的映射位置的信息作为兴趣点的标注信息。在第二个训练过程以及以后的训练过程中,本说明书提供两种确定兴趣点的标注信息的方式。
关于第一种方式,本说明书可针对每个训练过程,获取上一训练过程得到的识别模型确定的位于目标上的各兴趣点在图像中对应的像素点的信息,并将获取的信息重新作为各兴趣点的标注信息。即,在第一种方式中,当前训练过程中的兴趣点的标注信息来源于上一个训练过程中识别模型的输出结果,即,在上一个训练过程识别模型输出的结果中,确定上一个训练过程的兴趣点的标注信息的邻域范围内的指定像素点的信息作为当前训练过程中兴趣点的标注信息。
关于第二种方式,本说明书可针对每个训练过程中的各兴趣点,获取历史上每个训练过程中根据该兴趣点的标注信息以及识别模型输出的该兴趣点在图像中对应的像素点的信息,确定出的该兴趣点对应的识别模型的损失,在该兴趣点对应的识别模型的损失小于预设的损失阈值的历史训练过程中,选择指定历史训练过程,并将指定历史训练过程中识别模型输出的该兴趣点在图像中对应的像素点的信息重新作为当前训练过程中的该兴趣点的标注信息。即,在第二种方式中,针对每个兴趣点,当前训练过程中该兴趣点的标注信息可能并不是从上一训练过程识别模型的输出结果中确定的,而是针对历史上每个训练过程,根据该兴趣点的标注信息以及识别模型输出的该兴趣点在图像中对应的像素点的信息(即,指定像素点的信息)确定出该训练过程中该兴趣点对应的识别模型的损失作为该兴趣点在该训练过程中对应的损失,在历史上各训练过程中,根据预设的损失阈值以及各兴趣点在各训练过程中对应的损失,选择指定历史训练过程,并将指定历史训练过程中得到的指定像素点的信息作为当前训练过程中该兴趣点的标注信息。其中,关于在各历史训练过程中选择指定历史训练过程的方式,可确定损失小于损失阈值的历史训练过程,在确定的历史训练过程中,选择距离当前训练过程最近的历史训练过程作为指定历史训练过程,或者,可直接选择损失最小的历史训练过程作为指定历史训练过程。
换句话说,第一种方式是站在训练过程的维度,从上一训练过程的输出结果中确定当前训练过程中各兴趣点的标注信息,而第二种方式是站在各兴趣点的维度,从各历史训练过程的输出结果中确定当前训练过程中各兴趣点的标注信息。
针对每个训练过程,在通过上述两种方式中的任一种确定当前训练过程中各兴趣点的标注信息之后,可将图像输入当前训练过程中的识别模型,得到当前训练过程中识别模型确定的输出结果,并根据当前训练过程中识别模型确定的输出结果以及各兴趣点的标注信息,确定识别模型的损失,以识别模型的损失最小化为优化目标,调整识别模型的参数。
具体的,针对每个兴趣点,根据该兴趣点的标注信息,基于上述内容可在当前训练过程中识别模型确定的输出结果中确定指定像素点的信息,根据该兴趣点的标注信息以及指定像素点的信息,可确定该兴趣点对应的识别模型的损失,例如,可确定该兴趣点的标注信息与指定像素点的信息的交叉熵作为该兴趣点对应的识别模型的损失,当然,本说明书同样可支持基于确定出的该兴趣点的标注信息与指定像素点的信息的其他差异作为该兴趣点对应的识别模型的损失的情况,例如,该兴趣点的标注信息与指定像素点的信息的欧氏距离等。根据各像素点对应的识别模型的损失,可确定当前训练过程中识别模型的损失,例如,可确定各像素点对应的识别模型的损失的和值作为当前训练过程中识别模型的损失。
以当前训练过程中识别模型的损失最小化为优化目标,进行反向传播,从而调整识别模型的参数,以期望通过识别模型,基于调整后的参数得到更加准确图像中表示兴趣点的像素点的信息。
本说明书中,对识别模型进行迭代训练的结束条件,可依据实际情况设置,例如,可设置结束条件为相邻两次训练过程中得到的图像中表示同一兴趣点的像素点之间的距离小于预设的像素点距离阈值、得到图像中表示每个兴趣点的像素点的信息、迭代次数大于预设的迭代次数阈值中的至少一种等。
本说明书实际上是提供了一种模型训练的方法,以基于本说明书提供的方法对识别模型进行训练,得到可识别出图像中表示位于目标上的兴趣点的像素点的信息的识别模型,并且,识别模型无需识别出图像中表示未位于目标上的兴趣点的像素点的信息,从而基于训练完成的识别模型,识别出图像中的兴趣点,并根据图像以及图像中的兴趣点的信息,完成包含图像传感器在内的多传感器标定任务。
本说明书提供的上述模型训练的方法,具体可应用于使用无人驾驶设备进行配送的领域,例如,使用无人驾驶设备进行快递、外卖等配送的场景。具体的,在上述的场景中,可使用多个无人驾驶设备所构成的无人驾驶车队进行配送。
基于上述内容所述的模型训练的方法,本说明书实施例还对应提供一种模型训练的装置的结构示意图,如图4所示。
图4为本说明书实施例提供的一种模型训练的装置的结构示意图,所述装置包括:
采集模块400,用于通过图像传感器采集包含目标的图像;
第一确定模块402,用于确定所述图像传感器的位姿,并获取位于所述目标上的各兴趣点的实际位置;
第二确定模块404,用于针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息;
输入模块406,用于将所述图像输入识别模型,得到所述识别模型确定的输出结果,所述输出结果包括位于所述目标上的各兴趣点在所述图像中对应的像素点;
选择模块408,用于针对各兴趣点,根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,并将所述指定像素点的信息重新作为该兴趣点的标注信息;
训练模块410,用于根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练。
通过本说明书提供的上述模型训练的方法训练完成的识别模型,可识别出位于目标上的兴趣点的信息,并且,减少识别除目标之外的其他物体上的兴趣点的信息,在多传感器标定场景中,可极大地提高标定效果。
可选地,所述第二确定模块404具体用于,根据所述图像传感器的位姿,确定兴趣点投影参数;针对各兴趣点,根据所述兴趣点投影参数,将该兴趣点的实际位置进行坐标变换,得到该兴趣点投影到所述图像中的映射位置,作为该兴趣点的标注信息。
可选地,所述输入模块406具体用于,将所述图像输入所述识别模型,通过所述识别模型,确定所述图像中每个像素点为兴趣点的置信度;
所述选择模块408具体用于,在所述输出结果中,确定位于该兴趣点的标注信息的邻域内的各像素点;在确定的各像素点中,根据各像素点为兴趣点的置信度,确定所述指定像素点。
可选地,所述训练模块410具体用于,针对每个训练过程,获取上一训练过程得到的所述识别模型确定的位于所述目标上的各兴趣点在所述图像中对应的像素点的信息,并将获取的信息重新作为各兴趣点的标注信息;将所述图像输入所述识别模型,得到当前训练过程中所述识别模型确定的输出结果,并根据当前训练过程中所述识别模型确定的输出结果以及各兴趣点的标注信息,确定所述识别模型的损失;以所述识别模型的损失最小化为优化目标,调整所述识别模型的参数。
可选地,所述训练模块410具体用于,针对每个训练过程中的各兴趣点,获取历史上每个训练过程中根据该兴趣点的标注信息以及所述识别模型输出的该兴趣点在所述图像中对应的像素点的信息,确定出的该兴趣点对应的所述识别模型的损失;在该兴趣点对应的所述识别模型的损失小于预设的损失阈值的历史训练过程中,选择指定历史训练过程,并将所述指定历史训练过程中所述识别模型输出的该兴趣点在所述图像中对应的像素点的信息重新作为当前训练过程中的该兴趣点的标注信息;根据所述图像以及当前训练过程中各兴趣点的标注信息,对所述识别模型进行训练。
可选地,无人驾驶设备上安装有所述图像传感器;
所述第一确定模块402具体用于,确定所述无人驾驶设备的位姿;根据所述无人驾驶设备的位姿以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述图像传感器的位姿。
可选地,所述无人驾驶设备上安装有激光雷达与惯性测量单元IMU中的至少一种;
所述第一确定模块402具体用于,根据所述激光雷达与所述IMU中的至少一种在所述无人驾驶设备上的安装位置以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述激光雷达与所述IMU中的至少一种与所述图像传感器的相对位置;根据所述相对位置,对所述无人驾驶设备的位姿进行补偿,得到所述图像传感器的位姿。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述内容所述的模型训练的方法。
基于上述内容所述的模型训练的方法,本说明书实施例还提出了图5所示的电子设备的示意结构图。如图5,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述内容所述的模型训练的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种模型训练的方法,其特征在于,所述方法包括:
通过图像传感器采集包含目标的图像;
确定所述图像传感器的位姿,并获取位于所述目标上的各兴趣点的实际位置;
针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息;
将所述图像输入识别模型,得到所述识别模型确定的输出结果,所述输出结果包括位于所述目标上的各兴趣点在所述图像中对应的像素点;
针对各兴趣点,根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,并将所述指定像素点的信息重新作为该兴趣点的标注信息;
根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练;
将所述图像输入识别模型,具体包括:
将所述图像输入所述识别模型,通过所述识别模型,确定所述图像中每个像素点为兴趣点的置信度;
根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,具体包括:
在所述输出结果中,确定位于该兴趣点的标注信息的邻域内的各像素点;
在确定的各像素点中,根据各像素点为兴趣点的置信度,确定所述指定像素点。
2.如权利要求1所述的方法,其特征在于,针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息,具体包括:
根据所述图像传感器的位姿,确定兴趣点投影参数;
针对各兴趣点,根据所述兴趣点投影参数,将该兴趣点的实际位置进行坐标变换,得到该兴趣点投影到所述图像中的映射位置,作为该兴趣点的标注信息。
3.如权利要求1所述的方法,其特征在于,根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练,具体包括:
针对每个训练过程,获取上一训练过程得到的所述识别模型确定的位于所述目标上的各兴趣点在所述图像中对应的像素点的信息,并将获取的信息重新作为各兴趣点的标注信息;
将所述图像输入所述识别模型,得到当前训练过程中所述识别模型确定的输出结果,并根据当前训练过程中所述识别模型确定的输出结果以及各兴趣点的标注信息,确定所述识别模型的损失;
以所述识别模型的损失最小化为优化目标,调整所述识别模型的参数。
4.如权利要求1所述的方法,其特征在于,根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练,具体包括:
针对每个训练过程中的各兴趣点,获取历史上每个训练过程中根据该兴趣点的标注信息以及所述识别模型输出的该兴趣点在所述图像中对应的像素点的信息,确定出的该兴趣点对应的所述识别模型的损失;
在该兴趣点对应的所述识别模型的损失小于预设的损失阈值的历史训练过程中,选择指定历史训练过程,并将所述指定历史训练过程中所述识别模型输出的该兴趣点在所述图像中对应的像素点的信息重新作为当前训练过程中的该兴趣点的标注信息;
根据所述图像以及当前训练过程中各兴趣点的标注信息,对所述识别模型进行训练。
5.如权利要求1所述的方法,其特征在于,无人驾驶设备上安装有所述图像传感器;
确定所述图像传感器的位姿,具体包括:
确定所述无人驾驶设备的位姿;
根据所述无人驾驶设备的位姿以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述图像传感器的位姿。
6.如权利要求5所述的方法,其特征在于,所述无人驾驶设备上安装有激光雷达与惯性测量单元IMU中的至少一种;
根据所述无人驾驶设备的位姿以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述图像传感器的位姿,具体包括:
根据所述激光雷达与所述IMU中的至少一种在所述无人驾驶设备上的安装位置以及所述图像传感器在所述无人驾驶设备上的安装位置,确定所述激光雷达与所述IMU中的至少一种与所述图像传感器的相对位置;
根据所述相对位置,对所述无人驾驶设备的位姿进行补偿,得到所述图像传感器的位姿。
7.一种模型训练的装置,其特征在于,所述装置包括:
采集模块,用于通过图像传感器采集包含目标的图像;
第一确定模块,用于确定所述图像传感器的位姿,并获取位于所述目标上的各兴趣点的实际位置;
第二确定模块,用于针对各兴趣点,根据所述图像传感器的位姿以及该兴趣点的实际位置,确定该兴趣点在所述图像中对应的像素点的信息,作为该兴趣点的标注信息;
输入模块,用于将所述图像输入识别模型,得到所述识别模型确定的输出结果,所述输出结果包括位于所述目标上的各兴趣点在所述图像中对应的像素点;
选择模块,用于针对各兴趣点,根据该兴趣点的标注信息,在所述输出结果中,选择指定像素点作为该兴趣点在所述图像中对应的像素点,并将所述指定像素点的信息重新作为该兴趣点的标注信息;
训练模块,用于根据所述图像以及各兴趣点的标注信息,对所述识别模型进行训练;
所述输入模块,具体用于将所述图像输入所述识别模型,通过所述识别模型,确定所述图像中每个像素点为兴趣点的置信度;
所述选择模块,具体用于在所述输出结果中,确定位于该兴趣点的标注信息的邻域内的各像素点;在确定的各像素点中,根据各像素点为兴趣点的置信度,确定所述指定像素点。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一所述的方法。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519499.7A CN113205144B (zh) | 2021-05-13 | 2021-05-13 | 一种模型训练的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110519499.7A CN113205144B (zh) | 2021-05-13 | 2021-05-13 | 一种模型训练的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205144A CN113205144A (zh) | 2021-08-03 |
CN113205144B true CN113205144B (zh) | 2022-09-30 |
Family
ID=77031430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110519499.7A Active CN113205144B (zh) | 2021-05-13 | 2021-05-13 | 一种模型训练的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205144B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584295B (zh) * | 2017-09-29 | 2022-08-26 | 阿里巴巴集团控股有限公司 | 对图像内目标物体进行自动标注的方法、装置及系统 |
CN109934931B (zh) * | 2017-12-19 | 2023-03-28 | 阿里巴巴集团控股有限公司 | 采集图像、建立目标物体识别模型的方法及装置 |
CN110991489B (zh) * | 2019-11-11 | 2023-10-10 | 苏州智加科技有限公司 | 一种驾驶数据的标注方法、装置及系统 |
CN111797698A (zh) * | 2020-06-10 | 2020-10-20 | 北京三快在线科技有限公司 | 目标物的识别方法及识别装置 |
CN111882611B (zh) * | 2020-07-17 | 2023-11-24 | 北京三快在线科技有限公司 | 一种地图构建方法及装置 |
CN112163478A (zh) * | 2020-09-16 | 2021-01-01 | 北京三快在线科技有限公司 | 一种目标检测的方法及装置 |
CN112365513A (zh) * | 2020-11-23 | 2021-02-12 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN112733845A (zh) * | 2020-12-31 | 2021-04-30 | 广州极飞科技股份有限公司 | 兴趣区域问题识别方法、兴趣区域巡检方法及装置 |
-
2021
- 2021-05-13 CN CN202110519499.7A patent/CN113205144B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113205144A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801229B (zh) | 一种识别模型的训练方法及装置 | |
CN111311709B (zh) | 一种生成高精地图的方法及装置 | |
CN112001456B (zh) | 一种车辆定位方法、装置、存储介质及电子设备 | |
CN111238450B (zh) | 视觉定位方法及装置 | |
CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN112036462A (zh) | 一种模型训练以及目标检测的方法及装置 | |
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN112766241B (zh) | 一种目标物识别方法以及装置 | |
CN111797698A (zh) | 目标物的识别方法及识别装置 | |
CN113642620B (zh) | 一种障碍物检测模型训练以及障碍物检测方法及装置 | |
CN111882611A (zh) | 一种地图构建方法及装置 | |
US10261515B2 (en) | System and method for controlling navigation of a vehicle | |
CN112327864A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN111353417A (zh) | 一种目标检测的方法及装置 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN112465029A (zh) | 一种实例追踪的方法及装置 | |
CN112990099B (zh) | 一种车道线检测的方法以及装置 | |
CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN112699711A (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
CN114440903A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN112818968A (zh) | 一种目标物分类方法及装置 | |
CN112902987A (zh) | 一种位姿修正的方法及装置 | |
CN113486775A (zh) | 一种目标追踪方法、系统、电子设备及存储介质 | |
CN113205144B (zh) | 一种模型训练的方法及装置 | |
CN111426299A (zh) | 一种基于目标物的景深进行测距的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |